申请/专利权人：中国海洋大学

申请日：2024-04-02

公开（公告）日：2024-07-05

公开（公告）号：CN117975298B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/44;G06V10/80;G06V10/764;G06V10/762;G06V10/82;G06N3/0455;G06N3/0464;G06N3/048;G06N3/088

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.05.21#实质审查的生效;2024.05.03#公开

摘要：本发明属于图像分类技术领域，涉及中尺度涡及其亚中尺度精细结构AI无监督分类方法，该方法包括：提取中尺度涡观测子图像数据集；将所述中尺度涡观测子图像数据集标签化，随机分为训练样本集和测试样本集；构建自适应神经结构搜索判别网络；训练自适应神经结构搜索判别网络，利用测试集，输出中尺度涡及其亚中尺度典型结构判别结果；构建自适应神经结构搜索判别网络驱动的无监督学习模型，利用多重聚类准则，输出聚类结果；根据输出的亚中尺度典型精细结构聚类结果，分别计算由中尺度涡诱导的典型及非典型结构、以及无涡背景场分布的波数谱及斜率，根据波数谱以及斜率差异辅助对典型构型验证。本发明可有效的捕获到亚中尺度精细结构的形态特征。

主权项：1.中尺度涡及其亚中尺度精细结构AI无监督分类方法，其特征在于，包括以下步骤：S1：收集中尺度涡高分辨率遥感观测数据集，将该数据集按照已知中尺度涡涡心位置参考标准提取中尺度涡观测子图像数据集；S2：将所述中尺度涡观测子图像数据集标签化为是否具有候选典型结构，随机分为训练样本集和测试样本集；训练样本集由具有候选典型结构的样本和不具有候选典型结构的样本组成；S3：构建自适应神经结构搜索判别网络；由训练样本集训练步骤S2中所述自适应神经结构搜索判别网络，将所训练的网络模型用于测试样本集测试，输出中尺度涡及其亚中尺度典型结构判别结果；S4：构建自适应神经结构搜索判别网络驱动的无监督学习模型，根据步骤S3中输出的中尺度涡及其亚中尺度典型结构判别结果，利用构建的多重聚类准则，进一步划分亚中尺度典型精细结构，输出聚类结果；多重聚类准则是利用样本间相似性、标签推断相似性、互信息相关性、合作对比分类损失构建的多重聚类损失函数，具体为： ；其中，、和表示各损失函数权重占比，，，，表示Transformer深度映射函数参数； 为样本间相似性损失函数： ；式中，、分别为具有典型结构的中尺度涡观测样本和的编码特征，为典型结构样本集的相似性损失伪图； 为标签推断相似性损失函数： ；式中，表示典型结构判别结果中第个潜在类别样本集，表示该潜在类别的伪标签自监督矩阵，表示潜在类别总数，表示交叉熵损失；对于第个潜在类别内任意具有典型结构的中尺度涡观测样本，设为其编码特征，为其潜在类别标签； 为样本间互信息相关性损失函数： ；式中，是典型结构样本集中各样本的深层特征，是典型结构样本集中各样本的浅层特征；是以Jensen-香农散度计算深层特征和浅层特征的互信息； 为合作对比分类损失函数，对于具有典型结构的中尺度涡观测样本，与其具有同类别亚中尺度精细结构的正样本间相似度最大化、与其具有不同类别亚中尺度精细结构的负样本间相似度最小化的合作对比分类损失函数为： ；式中，表示具有典型结构的中尺度涡观测样本总数；表示中尺度涡观测样本的深层特征提取，是正样本的总数，是负样本的总数；表示高维空间中同类别精细结构正样本的内积，表示高维空间中不同类别精细结构负样本的内积，作为亚中尺度精细结构相似度度量，是一个调节参数，用于控制同类别亚中尺度精细结构分布的平滑程度；S5：根据步骤S4中输出的亚中尺度典型精细结构聚类结果，分别计算由中尺度涡诱导的典型及非典型结构、以及无涡背景场分布的波数谱及斜率，根据波数谱以及斜率差异辅助对典型构型验证。

全文数据：

权利要求：

百度查询： 中国海洋大学 中尺度涡及其亚中尺度精细结构AI无监督分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD